脑同步双向分析：基于信息度量评估脑-事件关系
摘要
功能性近红外光谱技术(fNIRS)特别适合自然情境下的超扫描研究，为评估日常生活中的社会脑功能提供了巨大潜力。既往研究已报告了社交互动中的脑间同步现象，并试图通过将行为事件与脑信号相关联来探索其机制。然而，常用的回归分析方法(如广义线性模型GLM)依赖于假设目标事件作为解释变量，这种依赖性可能会引入研究者的预设偏差，进而影响社会神经科学研究的可重复性。尽管在控制严格且针对特定假设的实验范式中，此类偏差影响较小，但在社交互动等自然实验中，由于存在大量可能成为解释变量的事件和信号，就会显著影响结果。为了突破这一限制，本研究提出了一种新的方法：小波变换相干性的符号归一化互信息(WTC-sNMI)。该方法可以通过双向分析来评估事件序列与脑同步之间的关系。通过模拟和实际数据的应用，本研究验证了该方法的性能。结果表明，WTC-sNMI在检测脑间同步和脑内同步(即脑连接)方面的表现与传统回归分析相当。此外，将WTC-sNMI应用于敲击数据集时，成功揭示了运动区两侧之间的预期同步模式。这些发现证实了WTC-sNMI作为研究脑-事件关系的稳健双向分析工具的有效性。
引言
尽管社会认知神经科学已经在受控实验环境下识别出了与特定社会刺激加工相关的神经基质，但日常生活中的神经基础依然是一个重要且充满挑战性的问题。近年来，非侵入性便携式脑测量系统的技术进步，使得在自然环境中测量大脑活动成为可能。fNIRS通过测量皮层表面血红蛋白浓度的相对变化来监测大脑活动，相较于另一广泛应用的便携式系统EEG，fNIRS对运动伪影更具鲁棒性且不受电噪声的干扰。由于日常环境中的超扫描(同步记录两名及以上参与者的大脑活动)能够揭示自然社会行为的神经机制，近年来基于fNIRS的超扫描研究在日常环境中的应用也逐渐增多。
超扫描数据分析通常侧重于不同参与者信号之间的交互作用。尽管存在多种量化信号交互的方法，但大多数fNIRS研究主要考察脑间同步。自早期超扫描研究以来，小波变换相干性(WTC)被广泛用于评估fNIRS信号的脑间同步性。WTC在时频域中量化两个信号的同步性，由于fNIRS信号(通过测量氧合血红蛋白∆oxy-Hb或脱氧血红蛋白∆deoxy-Hb的相对浓度变化)具有非平稳特性，因此WTC相比基于傅里叶变换的相干性更具优势。值得注意的是，WTC对无关噪声成分具有鲁棒性。鉴于fNIRS信号反映的是血流动力学活动，其有效信息主要存在于0.03-0.1Hz频段，使用WTC能够有针对性地分析这些生理相关频段内的同步性。
虽然大多数fNIRS超扫描研究比较特定时段内不同条件下的WTC差异，但直接评估社会事件与WTC时序关系的研究相对有限。Liu等人(2016)引入线性回归分析来捕捉与特定任务条件相关的脑间同步。类似地，Xu等人(2023)则采用广义线性模型(GLM)对WTC进行回归分析，以评估社会事件相关的变化。最近，本研究提出了一种基于模拟的WTC回归分析方法(称为WTC-GLM分析)，该方法可以有效地评估事件相关同步性，同时考虑预期WTC的详细时间和频率模式。
尽管回归分析是评估事件与神经活动之间关系的有效工具，但它也存在若干局限性，其中之一与回归变量的设计有关。由于回归结果会根据回归变量的设计方式而有所不同，因此其可靠性(即事件)至关重要。然而，事件通常由多个变量组成，焦点变量的选择往往具有临时性或经验依赖性。在变量选择过程中，过度依赖研究者的主观判断或假设可能会削弱结果的可重复性。虽然这一问题在验证特定假设的严格受控实验中影响较小，但在社交互动等自然主义实验中却会带来显著影响。在这种情况下，事件的主观选择可能会导致误导性的结果。从更为逻辑的角度来看，神经活动通常是基于同步事件的标签进行解释的。在回归分析中，事件或其特征作为解释变量，而神经活动则作为因变量(图1)。虽然回归分析对模拟的神经反应具有较高的特异性，但其单向解释流可能不足以确保神经活动结论的可靠性。
图1.事件与大脑活动关系分析流程示意图。(a)典型单向分析；(b)本研究提出的基于信息度量的分析方法。
为了解决这些问题，神经科学研究者开发了解码分析和神经反馈框架等替代方法。然而，这些基于监督学习的方法仍依赖于假设事件的标签，这意味着结果仍然受到主观选择变量的影响。要突破回归分析的局限性，必须采用满足两大标准的新方法。首先，使用数据驱动的标签方法(例如，无监督建模)以最小化主观变量选择。其次，引入双向评估来检验事件与神经活动之间的关系。
典型相关分析(CCA)是满足这些要求的一个潜在解决方案。CCA通过最大化原始变量组合表征之间的相关性实现双向评估。在神经科学领域，CCA已广泛应用于识别脑信号中的复合伪影、整合多模态环境/行为因素、提取跨被试脑连接的共变模式，以及融合多模态脑数据。针对fNIRS，已有研究提出了时间嵌入CCA来去除GLM分析中的伪影。虽然CCA也可用于评估事件序列与脑信号之间的关系，但除了涉及身体运动的运动功能等相对简单的情况外，解释整合后的变量仍具挑战性。此外，尽管CCA通过优化潜变量以最大化信号的相干性，能够提升对弱相关检测的敏感性，但也可能因放大噪声而降低特异性，从而增加多通道fNIRS数据中的假阳性风险。
另一种双向评估方法是信息度量。互信息(MI)作为信息论指标，可量化两个变量之间的共享信息。与CCA不同，MI是一种无模型和基于关联的度量，它更不容易出现过拟合，并且更适合数据驱动的事件相关响应评估。虽然MI不能直接评估两组变量之间的关系，但它可以通过将多变量合并为单一变量，以实现类似CCA的效果。此外，当采用滑动窗口MI分析离散状态事件序列和大脑活动时，可以更容易地解释它们在时间上的非线性交互作用。
在这里，本研究提出了事件序列与神经同步关系的双向评估方法，以替代基于回归的单向分析。为此，本研究开发了互信息的扩展版本，即符号归一化互信息(sNMI)。为了实现fNIRS超扫描数据的双向分析，本研究将同步时间序列建模为二值状态序列，以表示同步或非同步状态。这种二值表征不仅降低了sNMI的计算成本，还促进了对定量关系的解释。对于fNIRS信号及其统计量(如WTC)，二值表征对多种伪影具有一定的鲁棒性。此外，该方法还可通过考虑多变量组的集体状态扩展至多变量交互模型。
由于fNIRS测量的是滞后于神经激活的血流动力学活动，且WTC响应呈非线性复杂模式，因此本研究并不是直接在事件序列和神经同步之间计算信息指标，而是从事件序列得到的预期大脑同步和测量到的大脑同步之间计算信息指标。本研究通过使用合成的fNIRS数据进行模拟，验证了WTC-sNMI能够有效量化事件序列与脑间同步之间的关系，并能够取得与WTC-GLM分析相当的效果。通过性能对比，本研究展示了WTC-sNMI作为评估脑-事件关系方法的可行性，以及WTC-sNMI在非超扫描数据上的有效性。除模拟实验外，本研究还将WTC-sNMI应用于真实测量数据集，以验证其在更真实场景下的性能表现。通过这些研究，本研究旨在展示所提出的双向分析方法的潜力。
方法
本研究采用合成数据和真实数据进行实验，以评估所提出的双向分析方法的性能。所有信号处理与统计分析均使用MATLAB 2024a(The MathWorks, Natick, Massachusetts, USA)完成。
互信息与归一化互信息
互信息(MI)是衡量两个随机变量之间依赖关系的指标，用于量化一个变量对另一个变量不确定性的减少程度。对于离散状态序列X和Y，MI定义为其联合概率分布与边缘分布乘积间的Kullback-Leibler散度，表达式为：
其中 ( , )表示X与Y的联合概率分布， ( )和 ( )分别为其边缘分布。
MI具有非负性且变量间对称。当X与Y完全独立时取得最小值(I ; =0)，完全相关时取得最大值。最大MI受限于X和Y的熵值上限：
为使上限与1对齐，归一化互信息(NMI)可定义为：
NMI关注变量之间共享的不确定性，而非序列状态的特定关系。例如，二值序列与其反相序列会得到相同的NMI值。
符号归一化互信息
在事件-脑同步关系的评估中，同步或非同步状态的标签至关重要。为了区分序列中的正序与逆序模式，本研究引入了NMI的符号定义：
其中 是X与Y之间的点二列相关系数。该符号归一化互信息(sNMI)对相似序列赋为正值，对反相模式赋为负值，取值范围为-1至1。
小波变换相干性
小波变换相干性(WTC)可测量两个信号在时频域上的相似性，其定义为：
其中， 为时频平滑算子， 和 分别表示信号X和Y的连续小波变换(CWT)， 为两个信号的交叉小波变换。WTC取值0到1，值越高表明特定时频点信号相关性越强。
通常采用蒙特卡洛模拟确定各时频点WTC的显著性水平。本研究通过100次相位随机化替代信号计算，获得 <0.05的显著性阈值。
本研究在WTC计算前，采用AR(100)滤波器(即10s)对Δoxy-Hb序列进行预白化处理(使用Homer 3的ar_fit函数)，以消除序列相关性影响并降低血流动力学差异对WTC的干扰。母小波选用解析Morlet小波核，每倍频程子波数设为12，其余参数遵循wcoherence函数默认设置。
交互模型
本研究建立了成对交互fNIRS信号的模拟模型，以比较新方法与现有方法的性能。该模型中每对大脑活动以延迟方式随机诱发对方活动。合成的成对信号模拟了社会互动双人组在进行社会认知(如颞顶联合区)时测量的Δoxy-Hb信号。fNIRS响应通过将箱型神经活动与血流动力学响应函数(HRF)进行卷积来建模。将静息态信号作为基线噪声加入到卷积序列中，以生成合成fNIRS信号。
采用开放静息态数据集作为基线噪声源，因其能提供与2s事件真实响应幅度匹配的合成血流动力学响应。为了模拟复杂神经事件序列的血流动力学模式，本研究使用经调整的标准HRF(cHRF)，使其在与2秒boxcar事件卷积后匹配给定响应的峰值幅度。模拟中仅生成氧合血红蛋白相对浓度变化序列(Δoxy-Hb)。数据集包含14名被试枕区5分钟的静息态数据，以及另外14名被试额顶区10分钟的静息态数据。根据噪声特性要求选择基线数据。所有数据从原始50Hz采样率降采样至10Hz。
fNIRS信号序列生成
本研究合成了5分钟的成对Δoxy-Hb序列(采样率10Hz)，模拟超扫描技术下两名交互被试的同步测量(图2a)。各序列神经事件生成概率设定为0.0025(即每40s一次)，成对序列间事件传递概率(即相互作用的强度)设定为0.05或0.025。神经事件持续2s，传递延迟设定为1或2s。准备了不同事件振幅比(0.25,0.5,0.75,1)的成对信号以及无事件条件(仅基线)。随机分配基线噪声，以确保同被试数据不配对。在添加噪声之前，对静息态噪声分别施加血流动力学模态分离(HDMS)和小波-MDL滤波，以消除系统性生理噪声(包含运动伪影和皮肤血流)及低频趋势。分别使用Open PoTATo插件和NIRS-SPM函数进行HDMS和小波-MDL滤波。每种配置生成1000对合成信号(图2b)。
图2.合成数据示例。
另合成1000对Δoxy-Hb序列(模拟单被试脑内测量)，除事件传递延迟设置为0s外，其余参数设置与超扫描情况下的参数设置相同。随机选择同被试不同通道的静息态数据作为基线噪声。为了评估模拟设置的有效性，本研究计算了各事件振幅的对比度噪声比(CNR)。
事件与同步关系的双向评估
图3展示了双向评估框架。fNIRS信号经预处理后，计算成对被试或单个被试内的WTC。每个得到的WTC称为实测WTC(图2c)。分析单个被试内的WTC时，建议在计算之前去除信号间的全局相关性。因为这种相关性可能源于预处理未完全清除的非皮层信号(如皮肤血流和运动伪影)。在这里，本研究采用基于空间均匀系数(CSU)的PCA滤波来识别全局成分，使用自定义的MATLAB函数去除CSU＞0.5的主成分。
图3.所提出的WTC-sNMI分析框架。
双向分析需通过数据驱动方法预测标记事件序列(如注视伙伴或声音刺激)的WTC。在应用于脑间测量数据时，假设标签是对每个被试单独标注的(如非双眼接触)；脑内数据则对成对通道使用相同的事件序列。将boxcar事件序列与SPM12提供的cHRF进行卷积，并结合不同基线噪声对生成相应的Δoxy-Hb序列。通过100次重复显著性检验(每次使用不同基线噪声对组合)，计算各时频点显著同步出现的比例，得到预期WTC响应(图2d)。注意，在这些计算中，事件幅值比恒为1.0。
本研究计算了实测WTC与预期WTC之间的sNMI。在该模拟中，本研究计算了0.3Hz-0.05Hz之间的每个频段的sNMI以探索有效频段。将目标频段WTC二值化：由于WTC不服从正态分布，所以本研究采用中位阈值法生成二值状态序列，同时探索使用WTC时间序列第三个四分位数进行阈值化处理。通过计算效应量 来评估1000个真组合与1000个伪组合在sNMI值上的差异。以下将称该指标为“真伪检测效应量”。
WTC-GLM分析
WTC-GLM是一种基于模拟的WTC回归分析。与WTC-sNMI分析类似，它需要模拟目标事件序列(即回归量)的预期WTC模式。对于每类事件和条件，本研究使用300种不同基线噪声重复计算平均WTC作为对应回归量。采用伽马分布误差和log-link函数估计每个GLM的系数β。与WTC-sNMI分析相同，本研究计算了实测WTC与回归量在真实/伪组合下β值分布的效应量(即真伪检测效应量)。与WTC-sNMI分析的不同之处在于，WTC-GLM直接将基于事件的模拟同步拟合到实测脑同步。因此除非数据信噪比低于计算回归量时假设的值，否则WTC回归分析的效应量可视为性能的实际上限。
Wave-GLM分析
对于血流动力学信号，通常采用基于波形的GLM回归(即wave-GLM分析)。为了确认与WTC回归的差异，本研究在相同Δoxy-Hb序列上实施wave-GLM分析，以两个序列之间的同步血流动力学响应作为回归量。真伪检测效应量计算方式与WTC-GLM分析相同。
在真实数据集上的应用
将所提出的方法应用于BIDS fNIRS示例数据集(5名被试执行手指敲击任务)，以评估其性能。虽然这个数据集非超扫描数据，但它适用于对本研究方法进行评估，因为它采用事件相关设计且包含运动区双侧的多通道记录。当向左右耳呈现5s的音调时，被试需用同侧手拇指依次敲击各手指。每个音调随机播放30次。本研究假设基于sNMI的双向分析能检测敲击手对侧通道的同步性。本研究采用与合成数据模拟相同的参数计算所有通道对的WTC，并检验基于PCA的全局相关性去除效果。
为了模拟各音调条件的预期Δoxy-Hb活动，将其建模为与cHRF卷积的5秒boxcar事件序列。使用100组不同基线噪声对重复进行模拟Δoxy-Hb序列对的WTC显著性检验。由于基线噪声时长短于敲击数据集的持续时间，因此本研究重复噪声序列对以满足所需的持续时间。通过随机切割拼接噪声序列对，以避免重复引起的伪影。计算各时间和频带显著同步的发生率，从而获得各序列对的预期WTC响应。
对于每个通道对和被试，计算其二值化WTC与预期WTC之间的sNMI。除中位二值化外，本研究还检验了基于四分位数的二值化。为了评估结果偏倚，本研究进一步计算了时间反演预期WTC的sNMI。与此同时，对WTC和Δoxy-Hb信号进行了GLM回归分析，以评估WTC-sNMI方法的性能。鉴于被试数量较少，避免进行统计检验。相反，本研究计算了效应量 ，以量化各敲击条件下左右侧通道组sNMI值的均值差异。同时计算各条件下的CNR，以评估所使用数据集的有效性。
结果
使用合成数据进行模拟
图4展示了实测数据与预期模式在真实组合和伪组合情况下sNMI与NMI的分布示例。与NMI不同(图4(b))，sNMI可以取负值(图4(a))，从而使不同条件之间的比较更加准确。
图4.(a)sNMI与(b)NMI值分布示例。
图5显示了脑间模拟设置中，每种分析在各频段下的效应量。无论是WTC-sNMI还是WTC-GLM分析，0.1–0.06 Hz附近频段的效应量均最高(图5(a))。不同二值化方法之间的差异较小。尽管二值化方法之间的差异很小，但WTC-GLM始终显示出略高于sNMI与NMI的效应值。这一趋势在其他参数设置(包括脑内模拟)中均保持一致(见图5(b))。基于这些结果，本研究选择了中位二值化的sNMI与0.073 Hz处WTC-GLM分析的β值作为后续比较的典型例子。
图5.脑间模拟设置中，每种分析在各频段下的效应量比较。
图6与图7展示了神经活动振幅对各分析方法性能的影响。无论是脑间同步(图6)还是脑内同步(图7)，真伪检测效应量均随振幅增加而增大。通过PCA滤波去除全局相关性，改善了sNMI在脑内同步下的真伪检测性能。然而，在大多数情况下，sNMI分析的效应量仍然小于GLM分析的效应量。需要注意的是，所有指标的效应量均存在微小偏差，尤其是在零振幅设置(即静息噪声)下更为明显。
图6.脑间同步分析中，事件振幅对各指标在真实与伪组合间效应量的影响。
图7.脑内同步分析中，事件振幅对各指标在真实与伪组合间效应量的影响。
各指标在典型参数设置下的效应量比较结果如图8和图9所示。
图8.脑间模拟设置对WTC-sNMI与WTC-GLM分析效应量的影响。
图9.脑内模拟设置对WTC-sNMI与WTC-GLM分析效应量的影响。
在脑间设置中，sNMI与GLM分析的效应量均随振幅降低、交互概率下降以及交互延迟增加而下降(图8)。在脑内设置中，所有指标的效应量变化趋势与脑间设置相似(图9)。在大多数情况下，wave-GLM分析的效应量最大，但当成对事件的振幅不同时，其数值会显著升高。
真实数据应用
图10显示了各实验条件与处理类型下同侧脑区组内的sNMI值，相应的效应值列于表1中。对于左侧敲击条件，右侧脑区组通道间的sNMI值高于左侧脑区组(r=0.28)。PCA滤波进一步强化了这一趋势(r=0.53)。在右侧敲击条件下，sNMI值呈现相反的模式(由表1中的负号表示；图10(b))。然而，正如预期的那样，相关性去除逆转了该模式(图10(f))。此外，与中位二值化相比，第三个四分位数二值化在两种条件下均显著提高了敲击手对侧脑区的sNMI值。采用时间反转预期WTC的WTC-sNMI分析结果，以及WTC-GLM与wave-GLM分析结果详见补充结果部分。
表1.敲击任务中通道组间的效应大小。
图10.WTC-sNMI均值的小提琴图。
结论
本研究提出了一种基于符号归一化互信息(sNMI)的双向评估方法，用于分析事件序列与神经同步之间的关系。通过模拟实验和真实数据的应用结果表明，该方法能够有效地分析超扫描数据中的脑间同步性和脑内同步性。重要的是，该方法能够清晰地揭示各个部分的工作原理，即使在分析大脑多个区域的协同工作时，也能通过追踪这些区域状态的变化过程，揭示大脑不同区域之间是如何协调同步的。本研究认为这种双向分析有望推动自然情境下的社会神经科学研究，尤其是在涉及多个事件与信号的人类社会互动研究中。此外，这种无需预设假设的框架可能有助于解决该领域可重复性研究所面临的挑战。
参考文献：S. Morimoto and Y. Minagawa, “A Two-Way Analysis of Brain Synchrony: Assessing Brain-Event Relationships Using Information Metrics,” in IEEE Journal of Selected Topics in Quantum Electronics, doi: 10.1109/JSTQE.2025.3582203.
小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～
